ایک کال سینٹر ہر مہینے ہزاروں گھنٹے کا آڈیو بناتا ہے، اور اس میں سے تقریباً کچھ بھی پڑھا نہیں جاتا۔ ٹرانسکرپٹس کالز کو قابلِ تلاش بناتے ہیں۔ خلاصے انہیں قابلِ جائزہ بناتے ہیں۔ یہ پوسٹ شروع سے آخر تک پائپ لائن بناتی ہے، عربی کے زاویے سے: لہجے، عربی اور انگریزی کا امتزاج، اور مشرقی عربی ہندسے۔
مراحل:
- ریکارڈنگ جانچیں: اسٹیریو ہے یا مونو؟
- اسٹیریو کو ایجنٹ اور گاہک کے چینلز میں بانٹیں۔
- ہر چینل کو بولنے کے turns میں کاٹیں۔
- ہر turn کو درست زبان کے ساتھ ٹرانسکرائب کریں۔
- turns کو شروع کے وقت کے حساب سے مکالمے میں جوڑیں۔
- متن سے PII ہٹائیں۔
- LLM سے structured فیلڈز میں خلاصہ بنوائیں۔
مرحلہ 1: ریکارڈنگ اسٹیریو ہے یا مونو؟
ffprobe -v error -show_entries stream=channels,sample_rate,duration -of csv=p=0 call.wav
# 2,8000,412.6 -> stereo, 8 kHz telephone audio, 6.9 minutes
کئی کانٹیکٹ سینٹر ریکارڈرز ایجنٹ کو ایک چینل پر اور گاہک کو دوسرے پر رکھتے ہیں۔ AssemblyAI کی کانٹیکٹ سینٹر گائیڈ بھی یہی کہتی ہے: الگ چینلز ہوں تو diarization کے بغیر اسپیکر الگ ہو جاتے ہیں۔ چند کالز پر جانچیں کہ کون سی طرف کون ہے؛ ایجنٹ ہمیشہ left پر نہیں ہوتا۔
مرحلہ 2: ffmpeg سے اسٹیریو چینلز کیسے بانٹیں؟
ffmpeg -i call.wav -af "pan=mono|c0=c0" -ar 16000 agent.wav
ffmpeg -i call.wav -af "pan=mono|c0=c1" -ar 16000 customer.wav
pan فلٹر ایک چینل رکھتا ہے، اور -ar 16000 اسے 16 kHz پر resample کرتا ہے، وہی فارمیٹ جو BroadNet کی دستاویزات فون ریکارڈنگز کے لیے استعمال کرتی ہیں۔
مرحلہ 3: ہر چینل کو بولنے کے turns میں کیسے کاٹیں؟
یہ voice activity detection کی ایک سادہ شکل ہے۔ ہر پورا چینل بھیجنا کام کرتا ہے، لیکن تب آپ خاموشی کے اس ہر سیکنڈ کی ادائیگی کرتے ہیں جب دوسری طرف بول رہی ہوتی ہے، جس سے اسٹیریو کال کا بل تقریباً دگنا ہو جاتا ہے۔ اس میں turns کی ترتیب بھی کھو جاتی ہے۔ خاموشی پر کاٹنے سے دونوں ٹھیک ہو جاتے ہیں:
import re, subprocess
def speech_turns(wav, noise="-35dB", min_silence=0.6):
"""Return (start, end) seconds of speech, using ffmpeg silencedetect."""
log = subprocess.run(
["ffmpeg", "-i", wav, "-af", f"silencedetect=noise={noise}:d={min_silence}", "-f", "null", "-"],
capture_output=True, text=True).stderr
dur = float(subprocess.run(
["ffprobe", "-v", "error", "-show_entries", "format=duration", "-of", "csv=p=0", wav],
capture_output=True, text=True).stdout)
starts = [float(x) for x in re.findall(r"silence_start: ([\d.]+)", log)]
ends = [float(x) for x in re.findall(r"silence_end: ([\d.]+)", log)]
turns, cursor = [], 0.0
for s, e in zip(starts, ends + [dur]):
if s - cursor > 0.4:
turns.append((cursor, s))
cursor = e
if dur - cursor > 0.4:
turns.append((cursor, dur))
return turns
noise کو اپنی ریکارڈنگز پر ٹیون کریں: شور والی لائنوں کو اونچی threshold چاہیے، جیسے -30dB۔
مرحلہ 4: ہر turn کو ٹرانسکرائب کیسے کریں؟
import os, tempfile
from openai import OpenAI
client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
def transcribe_turns(wav, speaker, language="ar"):
out = []
for start, end in speech_turns(wav):
with tempfile.NamedTemporaryFile(suffix=".wav") as seg:
subprocess.run(["ffmpeg", "-y", "-loglevel", "error", "-i", wav,
"-ss", f"{start:.2f}", "-to", f"{end:.2f}", seg.name], check=True)
with open(seg.name, "rb") as audio:
text = client.audio.transcriptions.create(
model="broadnet/cohere-transcribe-arabic", file=audio, language=language).text
out.append({"start": start, "speaker": speaker, "text": text.strip()})
return out
ہمیشہ language بھیجیں۔ اس کے بغیر عربی لاطینی حروف میں لوٹ سکتی ہے۔ انگریزی queues کے لیے broadnet/cohere-transcribe کو language="en" کے ساتھ استعمال کریں۔ worker pool چھوٹا رکھیں: استعمال کے مطابق ادائیگی والی کلیدیں بیک وقت 4 درخواستوں اور فی منٹ 30 درخواستوں کی اجازت دیتی ہیں، اور ایررز اور retries گائیڈ دکھاتی ہے کہ 429 پر backoff کیسے کریں۔
ایک فائل 25 MiB سے چھوٹی ہونی چاہیے۔ 16 kHz مونو WAV (تقریباً 32 KB فی سیکنڈ) میں لمبی یک طرفہ گفتگو تقریباً 13 منٹ پر یہ حد پار کر جاتی ہے؛ اسے -f segment -segment_time 600 سے بانٹیں۔
مرحلہ 5: turns کو مکالمے میں کیسے جوڑیں؟
turns = transcribe_turns("agent.wav", "Agent") + transcribe_turns("customer.wav", "Customer")
dialogue = "\n".join(f'{t["speaker"]}: {t["text"]}' for t in sorted(turns, key=lambda t: t["start"]))
ایک ساتھ بولی گئی بات قریبی شروعاتی وقت والے دو turns کی شکل میں دکھتی ہے، جو ایک انسانی جائزہ لینے والا توقع بھی کرتا ہے۔
مونو ریکارڈنگز کا کیا؟
چینلز کے بغیر آپ کو speaker diarization چاہیے: یہ طے کرنا کہ کون کب بولا۔ آپشنز:
| آپشن | کیسے | سمجھوتہ |
|---|---|---|
| اوپن سورس diarization | اپنے سرورز پر pyannote.audio چلائیں، پھر ہر اسپیکر segment ٹرانسکرائب کریں | ماڈل آپ ہوسٹ کرتے ہیں؛ آڈیو آپ کے پاس رہتا ہے |
| بلٹ ان diarization والا فراہم کنندہ | کئی STT APIs اسپیکر لیبل لوٹاتے ہیں؛ add-on لاگت کے لیے قیمتوں کا موازنہ دیکھیں | ڈیٹا کے راستے میں ایک اور وینڈر |
| LLM سے کردار کا لیبل | turns ٹرانسکرائب کریں، پھر LLM سے سیاق و سباق کی بنیاد پر ہر turn کو Agent یا Customer لیبل کروائیں | سستا؛ چھوٹے یا مبہم turns پر غلط |
| جڑ سے ٹھیک کریں | ریکارڈر کو dual-channel پر بدلیں | طویل مدت کے لیے بہترین جواب |
BroadNet، diarization درج نہیں کرتا، اس لیے مونو آڈیو پر اسے پہلے تین آپشنز میں سے کسی ایک کے ساتھ جوڑیں۔
مرحلہ 6: عربی ہندسوں سمیت PII کیسے redact کریں؟
کال کرنے والے کارڈ نمبر، IBAN اور فون نمبر بول کر بتاتے ہیں۔ ٹرانسکرپٹس انہیں مغربی ہندسوں (0-9) یا مشرقی عربی ہندسوں (٠-٩) میں لکھ سکتے ہیں۔ پہلے normalise کریں، پھر redact کریں:
EASTERN = str.maketrans("٠١٢٣٤٥٦٧٨٩۰۱۲۳۴۵۶۷۸۹", "01234567890123456789")
def redact(text):
text = text.translate(EASTERN)
text = re.sub(r"\b(?:\d[ -]?){13,19}\b", "[CARD]", text)
text = re.sub(r"\b[A-Z]{2}\d{2}[A-Z0-9]{11,30}\b", "[IBAN]", text)
text = re.sub(r"\+?\d[\d -]{7,}\d", "[PHONE]", text)
return text
نمبر الفاظ میں بھی بولے جا سکتے ہیں (“خمسة أربعة…”)، جو regex سے چھوٹ جائیں گے۔ ٹرانسکرپٹس کا ہاتھ سے سیمپل دیکھیں اور جو ملے اس کے لیے اصول شامل کریں۔ وسیع تر طریقہ LLM API کو حساس ڈیٹا بھیجنا میں ہے۔
مرحلہ 7: LLM سے ہر کال کا خلاصہ کیسے بنائیں؟
import json
summary = client.chat.completions.create(
model="broadnet/qwen3.8-27b",
response_format={"type": "json_object"},
messages=[
{"role": "system", "content": "Summarise this call centre dialogue. Reply in English JSON with keys: "
"reason, resolution, resolved (true/false), customer_sentiment, follow_up."},
{"role": "user", "content": redact(dialogue)},
],
).choices[0].message.content
print(json.loads(summary))
Qwen3.8 27B، structured output سپورٹ کرتا ہے؛ جواب کو ہمیشہ پارس اور validate کریں (کیسے)۔ BroadNet کے اپنے ٹیسٹ میں یہ بھی پایا گیا کہ یہ خلیجی اور مصری لہجے سمجھتا ہے۔ اگر آپ کے ڈیش بورڈز انگریزی میں ہیں تو انگریزی JSON مانگیں، چاہے کال عربی میں ہو۔
analytics سے پہلے کون سی معیار کی جانچیں؟
خراب ٹرانسکرپٹس پر بنے ڈیش بورڈز اتنے ہی پُراعتماد دکھتے ہیں جتنے اچھے ٹرانسکرپٹس پر بنے۔ پائپ لائن میں یہ جانچیں شامل کریں:
- چینل کی ادلا بدلی۔ اگر کسی ریکارڈر یا queue پر ایجنٹ اور گاہک کے لیبل الٹے ہیں تو “ایجنٹ نے کہا” والا ہر metric غلط ہے۔ پہلا turn جانچیں: ایجنٹس عام طور پر سلام اور کمپنی کے نام سے شروع کرتے ہیں۔
- خالی یا بہت چھوٹے ٹرانسکرپٹس۔ کوئی turn جو کوئی متن نہ لوٹائے، یا 20 الفاظ سے کم والی کال، عام طور پر خاموشی، ہولڈ میوزک یا خراب فائل ہوتی ہے۔ اس کا خلاصہ بنانے کے بجائے اسے فلیگ کریں۔
- زبان کا بے میل ہونا۔ کوئی انگریزی queue جو اچانک عربی متن دینے لگے، یا لاطینی حروف میں لوٹی عربی، غلط
languageویلیو کی طرف اشارہ کرتی ہے۔ - خلاصے کا بھٹکنا۔ ہر ہفتے ایک سپروائزر 20 خلاصوں کا پورے ٹرانسکرپٹ سے موازنہ کرے۔ نظر رکھیں کہ
resolvedکتنی بار غلط ہے۔
صرف خلاصہ نہیں، ہر turn کے ٹرانسکرپٹس محفوظ کریں۔ جب کسی خلاصے پر اختلاف ہو تو turns ہی آپ کا ثبوت ہیں۔
کال ٹرانسکرپشن کا خرچ کتنا ہے؟
turns کاٹنے سے بل ہونے والا آڈیو گفتگو کے وقت کے قریب رہتا ہے۔ 1,000 گھنٹے کی عربی گفتگو کے لیے:
- ٹرانسکرپشن: BroadNet Transcribe Arabic پر $0.0042 فی منٹ کے حساب سے $252.00، یا انگریزی queues کے لیے 14 زبانوں والے BroadNet Transcribe پر $120.00۔
- خلاصے: 7 منٹ کی کال اکثر چند ہزار ٹوکن کی ہوتی ہے۔ اپنی اصل ٹرانسکرپٹ لمبائیوں کے ساتھ اس کی قیمت LLM API لاگت کیلکولیٹر میں دیکھیں، اور آڈیو والا حصہ speech-to-text لاگت کیلکولیٹر میں۔
BroadNet Inference کہاں فٹ ہوتا ہے
BroadNet مرحلہ 4 اور 7 کو ایک کلید اور ایک base URL سے پورا کرتا ہے: ٹرانسکرپشن کے لیے عربی اور 13 دوسری زبانیں، اور خلاصے کے لیے عربی پر ٹیسٹ شدہ چیٹ ماڈلز۔ آڈیو، ٹرانسکرپٹس اور پرامپٹس نہیں رکھے جاتے (زیرو ڈیٹا ریٹینشن)، اور BroadNet اپنے عربی ماڈل کو Open Universal Arabic ASR Leaderboard پر 37 میں سے #2 (یہ ستمبر 2026 کی پوزیشن ہے؛ 15 نومبر، 2026 کو لائیو لیڈر بورڈ پر یہ 39 میں سے #4 تھا) بتاتا ہے۔
یہ آپ کے لیے diarization، ریئل ٹائم ٹرانسکرپشن یا redaction نہیں کرتا؛ وہ آپ کی پائپ لائن میں رہتے ہیں۔ فیصلہ کرنے سے پہلے عربی لہجوں کی speech recognition والے طریقے سے اپنے لہجے ٹیسٹ کریں۔

